I takt med att fler företag ökar sin onlinenärvaro för att betjäna sina kunder bättre, dyker det hela tiden upp nya bedrägerimönster. I dagens ständigt föränderliga digitala landskap, där bedragare blir mer sofistikerade i sin taktik, har det blivit avgörande för företag och finansiella institutioner att upptäcka och förhindra sådana bedrägliga aktiviteter.
Traditionella regelbaserade system för upptäckt av bedrägerier är begränsade i sin förmåga att snabbt upprepas eftersom de förlitar sig på fördefinierade regler och trösklar för att flagga potentiellt bedräglig aktivitet. Dessa system kan generera ett stort antal falska positiva resultat, vilket avsevärt ökar volymen manuella undersökningar som utförs av bedrägeriteamet. Dessutom är människor också felbenägna och har begränsad kapacitet att bearbeta stora mängder data, vilket gör manuella ansträngningar för att upptäcka bedrägerier tidskrävande, vilket kan resultera i missade bedrägliga transaktioner, ökade förluster och skada på rykte.
Maskininlärning (ML) spelar en avgörande roll för att upptäcka bedrägerier eftersom den snabbt och exakt kan analysera stora mängder data för att identifiera avvikande mönster och möjliga bedrägerietrender. ML-bedrägerimodellens prestanda är starkt beroende av kvaliteten på data som den utbildas på, och specifikt för de övervakade modellerna är korrekt märkt data avgörande. I ML kallas bristen på betydande historiska data för att träna en modell kallstartsproblem.
I världen av bedrägeriupptäckt är följande några traditionella kallstartsscenarier:
- Att bygga en korrekt bedrägerimodell utan att ha en historia av transaktioner eller bedrägerifall
- Att noggrant kunna skilja legitim aktivitet från bedrägeri för nya kunder och konton
- Riskbeslutande betalningar till en adress eller mottagare som inte tidigare setts av bedrägerisystemet
Det finns flera sätt att lösa dessa scenarier. Du kan till exempel använda generiska modeller, så kallade one-size-fits-all-modeller, som vanligtvis tränas ovanpå plattformar för bedrägeridatadelning som bedrägerikonsortium. Utmaningen med detta tillvägagångssätt är att ingen verksamhet är likvärdig, och bedrägeriattackvektorer förändras ständigt.
Ett annat alternativ är att använda en oövervakad anomalidetekteringsmodell för att övervaka och upptäcka ovanligt beteende bland kundhändelser. Utmaningen med detta tillvägagångssätt är att inte alla bedrägerihändelser är anomalier, och inte alla anomalier är verkligen bedrägeri. Därför kan du förvänta dig högre falska positiva siffror.
I det här inlägget visar vi hur du snabbt kan starta upp en ML-modell för bedrägeriförebyggande i realtid med lite som 100 händelser med hjälp av Amazon bedrägeri detektor ny funktion, Kall start, vilket dramatiskt sänker inträdesbarriären till anpassade ML-modeller för många organisationer som helt enkelt inte har tid eller förmåga att samla in och korrekt märka stora datamängder. Dessutom diskuterar vi hur du genom att använda lagrade händelser från Amazon Fraud Detector kan granska resultat och korrekt märka händelserna för att omskola dina modeller, och därigenom förbättra effektiviteten av bedrägeriförebyggande åtgärder över tid.
Lösningsöversikt
Amazon Fraud Detector är en fullständigt hanterad bedrägeriupptäcktstjänst som automatiserar upptäckt av potentiellt bedrägliga aktiviteter online. Du kan använda Amazon Fraud Detector för att bygga skräddarsydda modeller för bedrägeriupptäckt med hjälp av din egen historiska datauppsättning, lägga till beslutslogik med hjälp av den inbyggda regelmotorn och organisera riskbeslutsarbetsflöden med en knapptryckning.
Tidigare var man tvungen att tillhandahålla över 10,000 400 märkta evenemang med minst 100 exempel på bedrägerier för att träna en modell. Med lanseringen av Kallstart-funktionen kan du snabbt träna en modell med minst 50 händelser och minst 99 klassade som bedrägeri. Jämfört med initiala datakrav är detta en minskning med 87 % av historisk data och en XNUMX % minskning av etikettkrav.
Den nya Cold Start-funktionen ger intelligenta metoder för att berika, utöka och riskmodellera små uppsättningar data. Dessutom utför Amazon Fraud Detector etiketttilldelningar och provtagning för omärkta händelser.
Experiment utförda med offentliga datauppsättningar visar att genom att sänka gränserna till 50 bedrägerier och endast 100 händelser kan du bygga bedrägeri-ML-modeller som konsekvent överträffar oövervakade och semi-övervakade modeller.
Kallstartmodellens prestanda
Förmågan hos en ML-modell att generalisera och göra korrekta förutsägelser om osynliga data påverkas av kvaliteten och mångfalden av träningsdatauppsättningen. För Cold Start-modeller är detta inte annorlunda. Du bör ha processer på plats eftersom mer data samlas in för att korrekt märka dessa händelser och träna om modellerna, vilket i slutändan leder till optimal modellprestanda.
Med ett lägre datakrav ökar instabiliteten i rapporterad prestanda på grund av modellens ökade varians och den begränsade storleken på testdata. För att hjälpa dig bygga rätt förväntningar på modellprestanda, förutom modell AUC, rapporterar Amazon Fraud Detector också mätvärden för osäkerhetsintervall. Följande tabell definierar dessa mätvärden.
. | . | AUC | ||
. | . | <0.6 | 0.6 - 0.8 | > = 0.8 |
AUC-osäkerhetsintervall | > 0.3 | Modellens prestanda är mycket låg och kan variera kraftigt. Räkna med låg prestanda för upptäckt av bedrägeri. | Modellens prestanda är låg och kan variera kraftigt. Räkna med begränsad prestanda för upptäckt av bedrägeri. | Modellens prestanda kan variera mycket. |
0.1 - 0.3 | Modellens prestanda är mycket låg och kan variera avsevärt. Räkna med låg prestanda för upptäckt av bedrägeri. | Modellens prestanda är låg och kan variera avsevärt. Räkna med begränsad prestanda för upptäckt av bedrägeri. | Modellens prestanda kan variera avsevärt. | |
<0.1 | Modellens prestanda är mycket låg. Räkna med låg prestanda för upptäckt av bedrägeri. | Modellens prestanda är låg. Räkna med begränsad prestanda för upptäckt av bedrägeri. | Ingen varning |
Träna en kallstartmodell
Att träna en Cold Start-bedrägerimodell är identisk med att träna alla andra Amazon Fraud Detector-modeller; det som skiljer är datauppsättningsstorleken. Du kan hitta exempeldataset för Cold Start-träning i vår GitHub -repo. För att träna en anpassad modell för Amazon Fraud Detector kan du följa vår praktiska övning handledning. Du kan antingen använda Handledning för Amazon Fraud Detector-konsol eller SDK handledning att bygga, träna och distribuera en bedrägeriupptäcktsmodell.
När din modell har tränats kan du granska prestandastatistik och sedan distribuera den genom att ändra dess status till Aktiva. För att lära dig mer om modellpoäng och prestationsmått, se Modellpoäng och Modellens prestandamätvärden. Vid det här laget kan du nu lägga till din modell i din detektor, lägg till affärsregler att tolka riskpoängen som modellen ger, och göra realtidsförutsägelser med hjälp av GetEventPrediction API.
Bedrägeri ML modell kontinuerlig förbättring och feedback loop
Med Amazon Fraud Detector Cold Start-funktionen kan du snabbt starta upp en slutpunkt för bedrägeridetektor och börja skydda dina företag omedelbart. Men nya bedrägerimönster dyker upp hela tiden, så det är viktigt att träna om Cold Start-modeller med nyare data för att förbättra prognosernas noggrannhet och effektivitet över tid.
För att hjälpa dig att upprepa dina modeller, lagrar Amazon Fraud Detector automatiskt alla händelser som skickas till tjänsten för slutledning. Du kan ändra eller validera att flaggan för händelseintag är på på händelsetypnivån, som visas i följande skärmdump.
Med funktionen lagrade händelser kan du använda Amazon Fraud Detector SDK för att programmatiskt komma åt en händelse, granska händelsens metadata och prediktionsförklaringen och fatta ett välgrundat riskbeslut. Dessutom kan du märka evenemanget för framtida modellomskolning och kontinuerlig modellförbättring. Följande diagram visar ett exempel på detta arbetsflöde.
I följande kodavsnitt demonstrerar vi processen för att märka en lagrad händelse:
- För att göra en bedrägeriförutsägelse i realtid för en händelse, ring GetEventPrediction API:
Som framgår av svaret, baserat på matchade beslutsmotorregeln, bör händelsen skickas för manuell granskning av bedrägeriteamet. Genom att samla in metadata för förutsägelseförklaringen kan du få insikter i hur varje händelsevariabel påverkade modellens bedrägeriförutsägelseresultat.
- För att samla in dessa insikter använder vi
get_event_prediction_metada
API:
API-svar:
Med dessa insikter kan bedrägerianalytikern fatta ett välgrundat riskbeslut om händelsen i fråga och uppdatera händelseetiketten.
- För att uppdatera händelseetiketten ring
update_event_label
API:
API-svar
Som ett sista steg kan du verifiera om händelseetiketten uppdaterades korrekt.
- För att verifiera händelseetiketten ringer du
get_event
API:
API-svar
Städa upp
Ta bort resurserna som skapats för lösningen för att undvika framtida avgifter.
Slutsats
Det här inlägget visade hur du snabbt kan starta ett bedrägeriförebyggande system i realtid med några som 100 händelser med hjälp av Amazon Fraud Detectors nya Cold Start-funktion. Vi diskuterade hur du kan använda lagrade händelser för att granska resultat och korrekt märka händelserna och träna om dina modeller, vilket förbättrar effektiviteten av bedrägeriförebyggande åtgärder över tiden.
Fullt hanterade AWS-tjänster som Amazon Fraud Detector hjälper till att minska den tid som företag spenderar på att analysera användarbeteende för att identifiera bedrägerier på sina plattformar och fokusera mer på att öka affärsvärdet. För att lära dig mer om hur Amazon Fraud Detector kan hjälpa ditt företag, besök Amazon bedrägeridetektor.
Om författarna
Marcel Pividal är en Global Sr. AI Services Solutions Architect i World-Wide Specialist Organization. Marcel har mer än 20 års erfarenhet av att lösa affärsproblem genom teknik för FinTechs, betalningsleverantörer, läkemedel och statliga myndigheter. Hans nuvarande fokusområden är riskhantering, bedrägeriförebyggande och identitetsverifiering.
Julia Xu är en forskare med Amazon Fraud Detector. Hon brinner för att lösa kunders utmaningar med hjälp av maskininlärningstekniker. På fritiden tycker hon om att vandra, måla och utforska nya kaféer.
Guilherme Ricci är Senior Solution Architect på AWS, som hjälper startups att modernisera och optimera kostnaderna för sina applikationer. Med över 10 års erfarenhet av företag inom finanssektorn arbetar han för närvarande tillsammans med teamet av AI/ML-specialister.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
- Minting the Future med Adryenn Ashley. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/overcome-the-machine-learning-cold-start-challenge-in-fraud-detection-using-amazon-fraud-detector/
- : har
- :är
- :inte
- :var
- 000
- 1
- 10
- 100
- 20
- 20 år
- 200
- 39
- 50
- 7
- 8
- 9
- a
- förmåga
- Able
- Om oss
- tillgång
- noggrannhet
- exakt
- exakt
- aktiviteter
- aktivitet
- adress
- byråer
- AI
- AI-tjänster
- AI / ML
- Alla
- också
- amason
- Amazon bedrägeri detektor
- bland
- mängder
- an
- analytiker
- analysera
- analys
- och
- avvikelse av anomali
- vilken som helst
- api
- tillämpningar
- tillvägagångssätt
- ÄR
- områden
- AS
- At
- attackera
- automatiserar
- automatiskt
- AWS
- barriär
- baserat
- BE
- därför att
- blir
- passande
- innan
- förmånstagare
- Bättre
- Bootstrap
- SLUTRESULTAT
- inbyggd
- företag
- företag
- Knappen
- by
- Ring
- kallas
- KAN
- Kapacitet
- utmanar
- utmaningar
- byta
- byte
- avgifter
- klassificerad
- klick
- koda
- Kaffe
- samla
- COM
- Företag
- jämfört
- Konsol
- ständigt
- sammanhang
- kontinuerlig
- Kostar
- skapas
- kritisk
- avgörande
- Aktuella
- För närvarande
- beställnings
- kund
- Kunder
- kundanpassad
- datum
- datadeling
- datauppsättningar
- Beslutet
- definierar
- demonstrera
- demonstreras
- distribuera
- Detektering
- olika
- digital
- diskutera
- diskuteras
- skilja på
- Mångfald
- do
- inte
- dramatiskt
- drivande
- varje
- effektivitet
- ansträngningar
- antingen
- smärgel
- Slutpunkt
- Motor
- berikande
- enheter
- inträde
- utvärderingar
- händelse
- händelser
- exempel
- exempel
- förvänta
- förväntan
- erfarenhet
- förklaring
- Utforska
- sträcker
- falsk
- Leverans
- återkoppling
- få
- slutlig
- finansiella
- Finansiella institut
- Finansiell sektor
- hitta
- fintechs
- Fokus
- följer
- efter
- För
- bedrägeri
- spårning av bedrägerier
- BEDRÄGERI FÖRHINDRING
- bedragare
- bedräglig
- bedräglig aktivitet
- Fri
- från
- fullständigt
- Vidare
- framtida
- Få
- samla
- generera
- Välgörenhet
- Regeringen
- kraftigt
- praktisk
- Har
- he
- kraftigt
- hjälpa
- hjälpa
- högre
- historisk
- historia
- Hur ser din drömresa ut
- Men
- html
- HTTPS
- Människa
- identiska
- identifiera
- Identitet
- Identitetsverifiering
- blir omedelbart
- påverkade
- förbättra
- förbättring
- förbättra
- in
- Öka
- ökat
- Ökar
- ökande
- informeras
- inledande
- insikter
- instabilitet
- institutioner
- Intelligent
- in
- Undersökningar
- IP
- IT
- DESS
- jpg
- känd
- etikett
- Brist
- liggande
- Large
- ledande
- LÄRA SIG
- inlärning
- Nivå
- tycka om
- Begränsad
- gränser
- liten
- förluster
- Låg
- sänkning
- Maskinen
- maskininlärning
- göra
- Framställning
- förvaltade
- ledning
- manuell
- många
- matchas
- åtgärder
- metadata
- metoder
- Metrics
- kanske
- minsta
- ML
- modell
- modeller
- modernisera
- Övervaka
- mer
- Dessutom
- multipel
- namn
- Nya
- nu
- antal
- of
- on
- nätet
- endast
- optimala
- Optimera
- Alternativet
- or
- organisation
- organisationer
- Övriga
- vår
- Överträffa
- över
- Övervinna
- egen
- Yttersta
- brinner
- mönster
- betalning
- betalningsleverantörer
- betalningar
- prestanda
- utför
- Pharma
- Plats
- Plattformar
- plato
- Platon Data Intelligence
- PlatonData
- Punkt
- positiv
- möjlig
- Inlägg
- potentiellt
- förutsägelse
- Förutsägelser
- Närvaron
- förebyggande
- Förebyggande
- problem
- process
- processer
- skydda
- ge
- leverantörer
- ger
- allmän
- kvalitet
- fråga
- snabbt
- område
- rates
- realtid
- minska
- frigöra
- Rapporterad
- Rapport
- krav
- Krav
- forskning
- Resurser
- respons
- resultera
- Resultat
- översyn
- Risk
- riskhanterings
- Roll
- Regel
- regler
- scenarier
- Forskare
- göra
- sDK
- sektor
- senior
- tjänar
- service
- Tjänster
- uppsättningar
- delning
- affärer
- skall
- show
- visas
- Visar
- signifikant
- signifikant
- helt enkelt
- Storlek
- Small
- So
- lösning
- Lösningar
- LÖSA
- Lösa
- några
- sofistikerade
- specialist
- specialister
- specifikt
- spendera
- starta
- Startups
- status
- Steg
- lagras
- lagrar
- sådana
- yta
- system
- System
- bord
- taktik
- grupp
- tekniker
- Teknologi
- testa
- än
- den där
- Smakämnen
- världen
- deras
- vari
- därför
- Dessa
- de
- detta
- Genom
- tid
- tidskrävande
- till
- dagens
- tillsammans
- topp
- traditionell
- Tåg
- tränad
- Utbildning
- Transaktioner
- Trender
- typiskt
- Ytterst
- Osäkerhet
- Uppdatering
- uppdaterad
- användning
- Användare
- med hjälp av
- BEKRÄFTA
- värde
- Verifiering
- verifiera
- Besök
- volym
- volymer
- var
- sätt
- we
- Vad
- som
- medan
- med
- arbetsflöden
- arbetssätt
- världen
- år
- Om er
- Din
- zephyrnet